[發明專利]一種基于遷移學習的雷達干擾決策方法

有效

• 申請號: 201811034422.5
• 申請日: 2018-09-06
• 公開（公告）號: CN109444831B
• 公開（公告）日: 2023-03-10
• 發明（設計）人: 朱衛綱;邢強;陳維高;曲衛;楊君;童菲;曾創展;張永順;何永華;唐曉婧;崔巍巍;冉小輝;張柏開
• 申請（專利權）人: 中國人民解放軍戰略支援部隊航天工程大學
• 主分類號: G01S7/38
• 分類號: G01S7/38
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 郭德忠;李愛英

1.一種基于遷移學習的雷達干擾決策方法，其特征在于，包括以下步驟：

S1：采用遷移成分分析法，從隱藏空間中提取訓練樣本，其中，所述隱藏空間為雷達參數先驗知識庫與未知威脅數據集通過變換φ映射到的同一個數據空間；

所述采用遷移成分分析法，從隱藏空間中提取訓練樣本具體包括以下步驟：

假設雷達參數先驗知識庫X_S的邊緣分布為P(X_S)，X_S經過φ變換后為X^*_S；未知威脅數據集X_T的邊緣分布為Q(X_T)，X_T經過φ變換后為X^*_T；

獲取邊緣分布P(X_S)與邊緣分布Q(X_T)之間的最大平均差異MMD：

其中，tr為求跡，為從雷達參數先驗知識庫與未知威脅數據集組成的數據空間映射到m維隱藏空間的矩陣，T為轉置，K是變換φ把雷達參數先驗知識庫和未知威脅數據集映射入隱藏空間的核矩陣，L定義為：(其它)，x_p與x_q分別為雷達參數先驗知識庫與未知威脅數據集構成的集合中任意選取的兩個樣本，n₁為雷達參數先驗知識庫X_S的樣本數，n₂為未知威脅數據集X_T的樣本數；

根據最大平均差異MMD獲取待優化函數Ω₁：

其中，max為取最大值，μ＞0為預設的權衡參數，I_m∈R^m×m為單位矩陣，H＝I_n1+n2-(1/(n₁+n₂))11^T為中心化矩陣，為全1的列向量，為單位矩陣，R為實數矩陣；

獲取待優化函數Ω₁中(KLK+μI_m)^-1KHK最大的m個特征值，則m個特征值對應的特征矩陣為W₁，從而得到隱藏空間的訓練樣本

或者

所述采用遷移成分分析法，從隱藏空間中提取訓練樣本具體包括以下步驟：

假設雷達參數先驗知識庫X_S的邊緣分布為P(X_S)，X_S經過φ變換后為未知威脅數據集X_T的邊緣分布為Q(X_T)，X_T經過φ變換后為

獲取邊緣分布P(X_S)與邊緣分布Q(X_T)之間的最大平均差異MMD：

其中，tr為求跡，為從雷達參數先驗知識庫與未知威脅數據集映射到m維隱藏空間的矩陣，T為轉置，K是變換φ把雷達參數先驗知識庫和未知威脅數據集映射入隱藏空間的核矩陣，L定義為：(其他)，x_p與x_q分別為雷達參數先驗知識庫與未知威脅數據集構成的樣本集合中任意選取的兩個樣本，n₁為雷達參數先驗知識庫X_S的樣本數，n₂為未知威脅數據集X_T的樣本數；

根據最大平均差異MMD獲取待優化函數Ω₂：

其中，max為取最大值，μ＞0為預設權衡參數，I_m∈R^m×m為單位矩陣，H＝I_n1+n2-(1/(n₁+n₂))11^T是中心化矩陣，是全1的列向量，是單位矩陣，R為實數矩陣，λ為預設系數，S＝D-M，M＝[m_ab]，為表征雷達參數先驗知識庫與未知威脅數據集構成的樣本集合中，任意選取的兩個樣本x_a和x_b親和度的親和度參數，d_ab為樣本x_a和x_b的距離，σ為自選參數，為雷達參數先驗知識庫與未知威脅數據集映射到隱藏空間后利用主成分分析方法處理后的核矩陣；

獲取待優化函數Ω₂中最大的m個特征值，則m個特征值對應的特征矩陣為W₂，從而得到隱藏空間的訓練樣本

S2：采用支持向量機的方法，對所述訓練樣本進行訓練，得到干擾決策模型；

S3：將新的未知威脅數據輸入所述干擾決策模型，得到新的未知威脅數據的干擾決策結果。